numerical_solver:ODE，DAE，Newton和矩阵求解器的实现

这是托管在https://github.com/russphelan/matlab的存储库的副本。 该页面提供了对物理脚本功能、如何使用它们的描述以及示例输出的图片。 模拟包括： 在 3D 中投球一维和二维热传导单摆围绕太阳运行的天体带有线性阻力的下落体抛物线轨迹游戏Lotka–Volterra 捕食者-猎物模型 还包括： 蒙特卡罗积分、辛普森规则和矩形规则，带有误差比较康威的人生游戏多项式求根器

对于零压力梯度边界层模拟，可以使用由 ODE 系统组成的 Dorodnitsyn 变换来获得边界层方程的可压缩相似解。 在此函数中，我们使用 MATLAB ode 求解器和二分法求解该系统。 用户需要指定流动的麦克数和壁温 BC（或绝热，如果需要）。 由于温度变化很小，为简单起见，假设粘度与温度呈线性关系。 如需更多信息和帮助，请给我发电子邮件 maslani@fsu.edu

该代码是多自由度（MDOF）系统线性响应历史分析的计算，参考如下： Liang，Z。等。 （2012）。 结构阻尼 - 在地震响应修正中的应用。 例 3.5 作为高丽大学李汉善教授进行的“抗震分析”专题研究的一部分。 此处包含分步说明，有关更多详细说明，请参阅本书中的第3.3.3节。

神经网络_奥尔登斯 用于 ODE 逆解的神经网络，使用 Oldens 方法来衡量输入变量的相对贡献。

如题

neuro-ode：具有Pytorch神经常微分方程实现的Jupyter笔记本

神经常微分方程的元解法 使用参数化求解器实现鲁棒的神经ODE。 大意 每个具有s级且为p阶的Runge-Kutta（RK）求解器均由一个系数表（ Butcher tableau ）定义。 对于s=p=2 ， s=p=3和s=p=4 ，表中的所有系数都可以使用不超过两个变量的参数设置[1]。 通常，在神经ODE训练期间，使用具有固定Butcher表的RK解算器，并且仅训练右侧（RHS）功能。 我们建议使用RK解算器的整个参数族来提高神经ODE的鲁棒性。 要求 pytorch == 1.7 顶点== 0.1（用于训练） 例子 对于CIFAR-10和MNIST演示，请检查examples文件夹。 元求解器制度 在笔记本examples/cifar10/Evaluate model.ipynb我们展示了如何使用不同类型的Meta Solver机制（即： 单机版 解算器切换/平滑 求解器集成

神经分化 介绍 neurodiffeq是使用神经网络求解微分方程的软件包。 微分方程是将某些函数与其导数联系起来的方程。 它们出现在各个科学和工程领域。 传统上，这些问题可以通过数值方法（例如，有限差分，有限元）解决。 虽然这些方法有效且足够，但它们的可表达性受到其功能表示的限制。 如果我们能够为连续且可微分的微分方程计算解，那将是很有趣的。 作为通用函数逼近器，人工神经网络已经显示出在某些初始/边界条件下具有求解常微分方程（ODE）和偏微分方程（PDE）的潜力。 neurodiffeq的目的是实现这些使用ANN求解微分方程的现有技术，使软件具有足够的灵活性以处理各种用户定义的问题。 安装 使用点 像大多数标准库一样， neurodiffeq托管在。 要安装最新的稳定发行版， pip install -U neurodiffeq # '-U' means update to late

提出一个用标准的常微分方程(简称ODE)求解器求解高层双肢剪力墙结构整体稳定的特征值问题的算法,并有机地结合标准非线性问题的转换、逆幂迭代、正交化、特征值移位等几项技术措施,使得稳定特征值问题能方便地靠ODE求解器的功效得以精确可靠地求解.